研究了应用激光散射图像检测桃果实食用价值的方法。通过分析桃果实货架期感官得分,将‘霞脆’鲜桃分为有食用价值和无食用价值两类。通过检测硬度、可溶性固形物含量和可滴定酸含量的变化,验证了此分类的可行性。利用波长650 nm、功率2...研究了应用激光散射图像检测桃果实食用价值的方法。通过分析桃果实货架期感官得分,将‘霞脆’鲜桃分为有食用价值和无食用价值两类。通过检测硬度、可溶性固形物含量和可滴定酸含量的变化,验证了此分类的可行性。利用波长650 nm、功率20 m W的半导体激光搭建激光散斑测量装置,采集‘霞脆’桃在货架期的激光散射图像,从图像中提取颜色特征参数(R、G、B、H、S、I及各标准差)和纹理特征参数(像素面积、平均灰度值、灰度标准差、平滑度、三阶矩、一致性和熵)。最终通过统计分析得到像素面积、R、G、B、一致性和熵的变化与货架期‘霞脆’桃果实食用价值有较好的相关性。以这6个特征参数建立对‘霞脆’桃果实货架期食用价值判别的支持向量机模型。结果表明,训练识别率为95.0%,预测识别率为92.5%,利用激光散射图像对货架期桃果实食用价值进行无损检测具有可行性。展开更多
压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到...压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到较高的预测精度。最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)作为一种非线性建模工具,已用于解决小样本、非线性和高维数等实际问题。针对580个‘RedDelicious’苹果的高光谱散射图像,提取600～1000nm范围内的波谱信息,采用LS_SVM建立苹果的压缩硬度和汁液含量模型。研究结果表明,LS_SVM压缩硬度预测模型的相关系数为Rp=0.795,预测均方差为RMSEP=10.4KN/m,汁液含量的相关系数为Rp=0.568,预测均方差为RMSEP=1.20cm2,高于传统的偏微分最小二乘(PartialLeastSquares,PLS)建立的压缩硬度,模型精度Rp=0.744,RMSEP=11.4KN/m,汁液含量模型精度Rp=0.539,RMSEP=1.23cm2。展开更多
苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相...苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。展开更多
文摘研究了应用激光散射图像检测桃果实食用价值的方法。通过分析桃果实货架期感官得分,将‘霞脆’鲜桃分为有食用价值和无食用价值两类。通过检测硬度、可溶性固形物含量和可滴定酸含量的变化,验证了此分类的可行性。利用波长650 nm、功率20 m W的半导体激光搭建激光散斑测量装置,采集‘霞脆’桃在货架期的激光散射图像,从图像中提取颜色特征参数(R、G、B、H、S、I及各标准差)和纹理特征参数(像素面积、平均灰度值、灰度标准差、平滑度、三阶矩、一致性和熵)。最终通过统计分析得到像素面积、R、G、B、一致性和熵的变化与货架期‘霞脆’桃果实食用价值有较好的相关性。以这6个特征参数建立对‘霞脆’桃果实货架期食用价值判别的支持向量机模型。结果表明,训练识别率为95.0%,预测识别率为92.5%,利用激光散射图像对货架期桃果实食用价值进行无损检测具有可行性。
文摘压缩硬度和汁液含量是衡量苹果内部品质的两项重要指标。采用高光谱散射图像技术对苹果压缩硬度和汁液含量进行预测。已有研究表明,高光谱图像含有丰富的波谱信息,光谱值与测量值之间存在严重的非线性关系,简单的线性建模方法不能达到较高的预测精度。最小二乘支持向量机(Least Squares Support Vector Machine,LS_SVM)作为一种非线性建模工具,已用于解决小样本、非线性和高维数等实际问题。针对580个‘RedDelicious’苹果的高光谱散射图像,提取600～1000nm范围内的波谱信息,采用LS_SVM建立苹果的压缩硬度和汁液含量模型。研究结果表明,LS_SVM压缩硬度预测模型的相关系数为Rp=0.795,预测均方差为RMSEP=10.4KN/m,汁液含量的相关系数为Rp=0.568,预测均方差为RMSEP=1.20cm2,高于传统的偏微分最小二乘(PartialLeastSquares,PLS)建立的压缩硬度,模型精度Rp=0.744,RMSEP=11.4KN/m,汁液含量模型精度Rp=0.539,RMSEP=1.23cm2。
文摘苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。
